我國區域天然氣消費量的趨勢預測

張　濤　楊嬌敏

中國石油大學（華東）經濟管理學院

張濤等.我國區域天然氣消費量的趨勢預測. 天然氣工業，2016， 36（9）: 135-140.

我國區域天然氣消費量的趨勢預測

張濤楊嬌敏

中國石油大學（華東）經濟管理學院

張濤等.我國區域天然氣消費量的趨勢預測. 天然氣工業，2016， 36（9）: 135-140.

近年來，中國的天然氣消費量快速增長，合理預測區域市場天然氣的消費量，對天然氣調配和管網的優化調度、實現節能減排目標和進行國民經濟核算等都具有重要意義。為此，基于中國29個省市2010—2014年天然氣消費量的數據，構建灰色新陳代謝GM（1，1）預測模型并且進行精度檢驗。檢驗結果顯示，新陳代謝GM（1，1）模型擁有較好的預測精度。通過新陳代謝GM（1，1）模型預測全國及各省份的天然氣消費量，結果表明：①預計到2020年，我國天然氣消費量達到3 785.21×108m3；②從空間分布來看，華東地區天然氣消費量最高，全國天然氣消費量呈現“西低東高”的分布格局； ③從省際層面來看，預計到2020年天然氣消費量最高的前5個省區市為浙江、遼寧、北京、江蘇、廣東，天然氣消費量最低的5個省區市為云南、寧夏、吉林、黑龍江、貴州。在被統計的29個省區市中，廣西的天然氣消費量增幅最大，寧夏的降幅最大。通過準確預測各地區天然氣消費量，為未來我國天然氣消費量預測提供了一個新的預測模型和消費增長數據。

中國天然氣消費量灰色預測系統新陳代謝精度檢測均值方差比小誤差概率區域

近年來，中國的天然氣消費量快速增長，合理預測各區域的天然氣消費量有利于管網的優化調度，保證管網供氣量，同時對于實現節能減排目標、國家政策的分析和制定以及國民經濟核算等也具有重要的意義［1-2］。國內外學者已對天然氣消費量預測開展了大量研究，常用的預測方法有兩類：①因果解釋性預測法，如回歸分析法、BP神經網絡等［3-4］；②歷史數據法，如指數平滑法、支持向量機、灰色模型等［5-7］。由于天然氣消費量受眾多因素的影響，并且各影響因素與消費量之間又存在著復雜的非線性關系［2］。因此，筆者在前人研究的基礎上，將中國29個省市自治區2010—2014年天然氣消費量數據作為原始序列，構建預測模型并進行精度檢驗。與以往的研究有所不同的是，筆者構建了灰色新陳代謝GM（1，1）預測模型，并據此來探討中國的區域天然氣消費量。

1　灰色新陳代謝模型

1.1傳統GM（1，1）模型

灰色系統預測是以“部分信息已知，部分信息未知”的“小樣本”“貧信息”不確定性系統為研究對象，從數據自身出發通過對“部分”已知信息的生成和開發，提取有價值的信息，實現對系統運行行為、演化規律的正確描述［8-9］。由于影響天然氣消費量內外部的因素無法確知，并且可供分析樣本較少［10］，利用灰色系統理論從天然氣消費量歷史數據出發，構建天然氣消費量預測模型具有一定的合理性。

傳統GM（1，1）模型基本原理是對原始序列作一次累加生成，使得生成序列具有一定的指數規律，通過構建微分方程模型，對模型進行參數估計，并采用序列累減還原為預測值實現系統預測。

設原始序列X（0）=［x（0）（1）， x（0）（2），…，x（0）（n） ］，對其進行一次累加生成，則生成的1-AGO序列X（1）=［x（1）（1）， x（1）（2），…，x（1）（n） ］為：

令

則傳統GM（1，1）模型的基本形式為：

其白化方程為：

采用最小二乘法進行參數估計：

其中

則白化方程的時間響應函數為：

對其作累減還原得：

GM（1，1）模型精度檢驗通常采用對殘差的考察來判斷。

殘差序列的均值（ε ）和方差（S2）為：

采用均值方差比（C）和小誤差概率（p）來檢驗模型精度，其中

均值方差比C越小越好，C越小說明S2越小，S1越大，表明殘差比較集中，模擬效果越好；P表示概率，小誤差概率越大越好，p越大，表明殘差與殘差平均值之差小于給定值0.674 5 S1的點越多。具體預測精度評判標準如表1所示。

表1　模型精度檢驗等級表

1.2新陳代謝GM（1，1）模型

在灰色系統預測建模過程中，考慮到原始序列X（0）中早期數據對整體預測精度的影響，從原始數據中取出一部分數據，根據系統產生的最新數據，替換掉原序列中最陳舊的數據，逐個預測依次遞補，直到達到所要完成的預測目標為止。這樣不斷迭代所建立的GM（1，1）模型，即為灰色新陳代謝模型。該模型使得預測所得的新信息得到有效的利用，灰平面預測范圍縮小，結果更加精確［11］。

2　實證分析

2.1區域天然氣消費量分析

根據中華人民共和國國家統計局網站和《中國能源統計年鑒》數據，梳理29個省市自治區2010—2014年天然氣消費量數據（表2）。

表2　2010—2014年全國及各地區天然氣消費量表

從表2可以看出：①從統計數據綜合來看，全國天然氣消費量從2010年的1 069.41×108m3增加到2014年的1 868.94×108m3，增幅達74.76%。②從區域天然氣消費量數據來看，除內蒙古自治區和四川省，其余省市天然氣消費量均呈現增長狀態。天然氣消費量最多的5個省市為四川、廣東、江蘇、北京、遼寧；天然氣消費量最少的5個省份為云南、廣西、貴州、江西、寧夏。③從華北、東北、華東、中南部和西部五大區域來看，我國天然氣消費量呈明顯的“西低東高”分布格局。

2.2灰色新陳代謝預測模型預測結果

以2010—2014年各地區天然氣消費量數值作為原始序列，根據公式（1）～（7），先采用傳統GM（1，1）模型進行灰色系統建模，再采用新陳代謝模型進行6次迭代擬合，最終各地區的天然氣消費量預測值（表3）。

由表3可知：①從預測結果來看，預計2020年天然氣消費量達到3785.21×108m3。②從增幅來看，各地區平均增幅為89.71%。③從省際天然氣消費量來看，預計到2020年天然氣消費量高的前5個省市為浙江、遼寧、北京、江蘇、廣東；天然氣消費量低的5個省份為云南、寧夏、吉林、黑龍江、貴州?？臻g上依然呈“西低東高”的格局。

表3　基于灰色新陳代謝區域天然氣消費量預測值表

2.3模型精度檢驗

總體上，各省市天然氣消費量經過6次新陳代謝迭代后，最終模型均值方差比（C）、小誤差概率（P）精度檢驗值及對應的精度等級如表4所示。

表4　模型精度檢驗值

根據精度檢驗等級表，由表4可知，各地區各模型的均值方差比都小于0.35，均值方差比值為一級標準；模型的小誤差概率都等于1，說明模型預測精度很高，預測模型擬合優度也達到了一級標準。因此，從以上檢驗指標來看，灰色新陳代謝模型基本可以滿足對天然氣消費量歷史數據進行較高精度的數值模擬，模型總體具有很好的預測精度。

3　結論

通過構建灰色新陳代謝GM（1，1）模型，用我國29個省市自治區2010—2014年的天然氣消費量對我國2016—2020年的天然氣消費量進行了預測。通過分析發現，新陳代謝GM（1，1）模型在預測天然氣消費量時，有較好的預測精度。通過6次迭代計算出，到2020年底，全國天然氣消費量將會達3 785.21×108m3；從地區角度，呈現“西低東高”的態勢；從省級角度來看，浙江將可能取代四川，成為天然氣消費量最高的省份，云南將可能成為消費量最低的省份。

由于本文的基礎數據期（2010—2014年）是我國天然氣市場超常規發展時期，市場處于供不應求狀態，而從2014年下半年起，國際油價大幅下跌，國際和國內經濟形勢及天然氣市場發生了巨大的變化，國內經濟增長速度放緩，且暖冬來臨，冬季采暖用氣大幅降低，國內天然氣需求量銳減。另一方面，由于灰色新陳代謝GM（1，1）模型主要基于過去天然氣消費量的基礎數據進行結果預測，而沒有考慮國民經濟和世界經濟的發展變化等因素對天然氣市場的影響，因此，該模型預測結果存在一定的誤差。另外，由于灰色新陳代謝GM（1，1）模型采用生成數列建模，利用過去到現在的較少數據，即可對未來的數據進行預測，所以其適用于已知少量不完全信息且系統不發生較大轉折變化的階段，此時預測具有較強的準確性。

［1］ 胡奧林. 新版《天然氣利用政策》解讀［J］. 天然氣工業， 2013，33（2）: 110-114.

Hu Aolin. An interpretation of the new version Natural Gas Utilization Policies［J］. Natural Gas Industry， 2013， 33（2）: 110-114.

［2］ 王兵， 劉書文， 羅山， 方炯， 孫麗. 灰色模型預測天然氣消費量［J］. 天然氣與石油， 2008， 26（5）: 30-32.

Wang Bing， Liu Shuwen， Luo Shan， Fang Jiong， Sun Li. Application of grey model to predict natural gas consumption［J］. Natural Gas and Oil， 2008， 26（5）: 30-32.

［3］ 錢永坤. 江蘇省未來天然氣消費量預測［J］. 能源研究與利用，2003（1）: 8-12.

Qian Yongkun. Predict natural gas consumption of Jiangsu［J］. Energy Research and Utilization， 2003（1）: 8-12.

［4］ 羅東坤， 徐平. 基于改進BP神經網絡的天然氣需求預測［J］.油氣田地面工程， 2008， 27（7）: 20-21.

Luo Dongkun， Xu Ping. Forecasting of natural gas demand based on improved BP neural network［J］. Oil-Gas Field Surface Engineering， 2008， 27（7）: 20-21.

［5］ 呂金濤. 基于指數平滑模型的我國天然氣消費量預測［J］. 商場現代化， 2012（25）: 171-172.

Lü Jintao. Prediction of natural gas consumption based on Exponential Smooth Model［J］. Market Modernization， 2012（25）: 171-172.

［6］ 蒲忠， 李秋， 郭志鋼. 最小二乘支持向量機與馬爾可夫鏈組合預測應用研究——以四川省天然氣消費量為例［J］. 煤炭技術，2010， 29（8）: 175-177.

Pu Zhong， Li Qiu， Guo Zhigang. Research on application of combination forecasting model based on LS-SVM and Markov Chain—Take consumption of natural gas in Sichuan Province as example［J］. Coal Technology， 2010， 29（8）: 175-177.

［7］ 王兵， 田丹， 劉書文， 羅山， 方炯， 孫麗. 天然氣消費量的灰色模型預測［J］. 管道技術與設備， 2008（5）: 3-5.

Wang Bing， Tian Dan， Liu Shuwen， Luo Shan， Fang Jiong， Sun Li. Application of grey model to predict natural gas consumption［J］. Pipeline Technique and Equipment， 2008（5）: 3-5.

［8］ 黃松錢， 王衛民， 曾聰， 郝爽， 曹小娟. 基于灰色新陳代謝GM（1， 1）模型的中國水產品年總產量的預測［J］. 中國農學通報， 2012， 28（17）: 126-131.

Huang Songqian， Wang Weimin， Zeng Cong， Hao Shuang， Cao Xiaojuan. Application of gray metabolic GM（1， 1） in prediction of annual total yields of Chinese aquatic products［J］. Chinese Agricultural Science Bulletin， 2012， 28（17）: 126-131.

［9］ 高軍， 宋書貴， 吳鵬， 熊璟， 李權鋒. 天然氣消費量組合預測建模及應用［J］. 西南石油大學學報：社會科學版， 2012， 14（1）: 6-11.

Gao Jun， Song Shugui， Wu Peng， Xiong Jing， Li Quanfeng. Modeling and application of GM（ 1， 1） ， growth curve and Markov combination to natural gas consumption forecast［J］. Journal of Southwest Petroleum University: Social Sciences Edition， 2012，14（1）: 6-11.

［10］ 王健， 陳海琴. 灰色新陳代謝模型在河南小麥產量預測中的應用［J］. 湖北農業科學， 2013， 52（20）: 5079-5082.

Wang Jian， Chen Haiqin. Application of information renewal model for predicting wheat yield of Henan Province［J］. Hubei Agricultural Sciences， 2013， 52（20）: 5079-5082.

［11］ Akay D， Atak M. Grey prediction with rolling mechanism for electricity demand forecasting of Turkey［J］. Energy， 2007， 32（9）: 1670-1675.

（修改回稿日期 2016-07-29 編輯 陳嵩）

Trend prediction of natural gas consumption in diferent regions of China

Zhang Tao， Yang Jiaomin
（School of Economics and Management， China Uniνersity of Petroleum， Qingdao， Shandong 266580， China）
NATUR. GAS IND. VOLUME 36， ISSUE 9， pp.135-140， 9/25/2016. （ISSN 1000-0976； In Chinese）

In recent years， natural gas consumption in China rises quickly， so reasonable prediction of regional natural gas consumption is significant to the allocation of natural gas， optimal scheduling of pipeline networks， and even the realization of energy conservation and emission reduction and the accounting of national economy. In this paper， the gray metabolic GM （1， 1） prediction model was built based on the natural gas consumption of 29 provinces （municipalities） in China from 2010 to 2014， and its prediction accuracy was tested. Results show that the GM （1， 1） prediction model is good in prediction accuracy. It is predicted that natural gas consumption in China will reach 3 785.21×108m3in 2020. The natural gas consumption in China is spatially distributed in the pattern of "East high and West low"，with the highest consumption occurred in East China. In terms of provincial natural gas consumption， it is estimated that in 2020， the top five will include Zhejiang， Liaoning， Beijing， Jiangsu and Guangzhou， and the last five will include Yunnan， Ningxia， Jilin， Heilongjiang and Guizhou. Among 29 provinces （municipalities） for statistic analysis， Guangxi is the province with the highest growth rate of natural gas consumption and Ningxia is the one with the highest decline rate. Through accurate prediction of natural gas consumption of different regions， a new prediction model and consumption growth data are provided for predicting China's natural gas consumption in the future.

China； Natural gas consumption； Gray prediction system； Metabolism； Accuracy test； Mean-variance ratio； Little error probability； Region

10.3787/j.issn.1000-0976.2016.09.017

山東省重點研發計劃項目“基于山東省油氣產業轉型升級的結構優化驅動分析及可持續發展對策研究”（編號：2015GGX109004）、山東省自然科學基金項目“信息不對稱的分布式多項目動態協同調度研究”（編號：BS2015SF010）、中央高?；究蒲袠I務費專項資金資助課題“企業積極環境行為的形成機理與促進對策研究”（編號：15CX05006B）、東營市社科重點課題“低油價背景下東營市產業結構調整的困境與對策研究”（編號：DYSK2016-5）。

張濤，1980年生，副教授，博士；主要從事系統工程相關理論應用研究工作。地址：（266580）山東省青島市黃島區長江西路66號。ORCID: 0000-0002-0624-356X。E-mail: zht2129@126.com